【第章】维纳滤波和卡尔曼滤波祥解.pptVIP

利用Y-W方程 可以列出2个方程式 解得： 即 结果和上例N=1时一致. 8.4 卡尔曼滤波 维纳滤波是根据当前观测值x(n)和过去全部的观测值x(n-1),x(n-2),…来估计信号的当前值s(n)，它的解形式是以均方误差最小为原则下的系统的传递函数H(z)或单位脉冲响应h(n). 卡尔曼滤波不需要过去全部的观测值，它是根据前一个估计值s^(n-1)和最近一个观测值x(n)来估计信号当前的估计值s^(n).它是用状态方程和递推方法进行估计的，因而卡尔曼滤波对信号的平稳性和时不变性不做要求. 8.4.1 状态方程和量测方程 信号s(n)可视为由白噪声w1(n)激励一个线性系统A(z)的响应. 设响应和激励的时域关系为： 维纳滤波的信号模型和观测信号模型 维纳滤波模型： 在卡尔曼滤波中信号s(n)被称为是状态变量，矢量形式表示为S(k)，在k时刻的状态用s(k)表示，在k-1时刻的状态用s(k-1)表示. 激励信号w1(n)的矢量表示为W1(k)，激励和响应之间的关系用传递矩阵A(k)来表示，它是由系统的结构确定的. 系统状态方程： 含义：在k时刻的状态S(k)，可以由它的前一个时刻的状态S(k-1)来求得，即认为k-1时刻以前的各状态都已记忆在状态S(k-1)中. 卡尔曼滤波是根据系统的量测数据(即观测数据)对系统的响应进行估计的，所以除了状态方程之外，还需要量测方程. 根据右图，观测数据和信号的关系为： w(n)一般是均值为零的高斯白噪声矢量，则量测矢量X(k)与状态矢量S(k)的关系： 上式和维纳滤波的 概念上是一致的，也就是说卡尔曼滤波的一维信号模型和维纳滤波的信号模型是一致的. 推广得到更普遍的多维量测方程： 上式中的C(k)称为量测矩阵，它的引入原因是量测矢量X(k)的维数不一定与状态矢量S(k)的维数相同，因为我们不一定能观测到所有需要的状态参数. 假如X(k)是m×1的矢量，S(k)是n×1的矢量，C(k)就是m×n的矩阵，W(k)是m×1的矢量. 8.4.2 信号模型 有了状态方程和量测方程，就能给出卡尔曼滤波的信号模型如图所示. 设卡尔曼滤波中量测方程为： 已知信号自相关函数的ZT为： 噪声的自相关函数为： 信号和噪声统计独立. 求卡尔曼滤波信号模型中的A(k)和C(k). 【例题】 变换到时域得 解: 根据等式 可以求得 因此 又因为 所以 8.5 卡尔曼滤波的方法 建立好了卡尔曼滤波的信号模型以及状态方程、测量方程后，要解决的问题就是要寻找在最小均方误差下信号S(k)的估计值S^(k). 8.5.1 一步递推法模型 状态方程： 量测方程： 式中A(k)和C(k)已知，X(k)是观测到的数据，也是已知的，假设信号的前一个估计值S^(k-1)已知，现在的问题就是如何来求当前的估计值S^(k). 上两式中如果没有W1(k)与W(k)，可以立即求得S(k). 问题的出现就是因为信号与噪声的叠加. 假设暂不考虑W1(k)与W(k)，用上两式得到的S^(k)和X^(k)分别表示为： 观测值X(k)和估计值X/^(k)之间有误差，它们之间的差X~(k)称为新息(innovation)： 新息的产生是由于忽略了W1(k)与W(k)所引起的，说明新息里面包含了W1(k)与W(k)的信息成分. 用新息X~(k)乘以一个修正矩阵H(k)来代替W1(k)来对S(k)进行估计： 画出卡尔曼滤波对S(k)进行估计的递推模型如图所示，输入为观测值X(k)，输出为信号估计值S^(k). 卡尔曼滤波的一步递推法模型 从图中容易看出，要估计出S^(k)就必须要先找到最小均方误差下的修正矩阵H(k). 8.5.2 卡尔曼滤波的递推公式 根据上式来求最小均方误差下的H(k)，然后可以得到估计值S^(k). 设真值和估计值之间的误差为： 由于误差是一个矢量，所以均方误差是一个矩阵，用ε(k)表示. 均方误差矩阵： τ表示对向量取共轭转置。为了计算方便，令 找到和均方误差矩阵的关系： 利用条件：W1(k)与W(k)都是零均值的高斯白噪声，且它们互不相关，协方差矩阵分别为: 与 不相关； 与 及 不相关. 最后化简得： 令 上式第一项和第二项与修正矩阵H(k)无关，第三项是半正定矩阵，要使得均方误差最小，则必须 于是求得最小均方误差下的修正矩阵H(k)为： 把上式代入即可得均方误差最小条件下的S^(k)递推公式。相应得最小均方误差为： 综上所述，得到卡尔曼滤波的一步递推公式： 有了上面四个递推公式后我们就可以得到S^(k)和ε(k). 如果初始状态S(0)的统计特性已知，并且令 且矩阵A(k), Q(k), C(k), R(k)都是已知的，以及观测量X(k)也是已知的，就能用递推计算法得到所有的S^(k)和ε(k). 由